产业快报

UCLA光学神经网络设计取得突破 有助于开发智能摄像系统

加州大学洛杉矶分校(UCLA)工程师们在光学神经网络的设计上取得了重大进步,可以光速识别对象,或处理信息。

传感器,自动驾驶
据外媒报道,加州大学洛杉矶分校(UCLA)工程师们在光学神经网络的设计上取得了重大进步,可以光速识别对象,或处理信息。
 
此次进步有助于开发智能摄像系统,通过3D工程材料结构中的光的模式,识别所见对象。新设计利用了基于光学的计算系统的并行性和可扩展性,可以用于自动驾驶汽车或机器人,帮助它们更快地做出决定。基于计算机的系统需要额外的时间来识别看到的对象,与之相比,新设计能耗更少。
 
该系统使用一系列3D打印晶圆或不均匀的表层传输或反射入射光。这些表层有成千上万个像素点,这些像素点本质上是人造神经元,形成材料体,从而进行全光计算。通过3D制作的涂层,每个物体都有一个独特的光通道。
 
这些表层后面是几个光探测器,每个探测器都被配置到计算机中,根据大部分光线穿过表层后的截止点推断输入对象身份。例如,训练该系统识别手写数字时,当“5”的图像穿过这些表层后,光线会投射到探测器上,程序设计识别“5”的探测器会看到大部分光线。
 
加州大学洛杉矶分校研究人员在系统中添加第二组探测器,显著提高了系统的准确性。每种对象类型都有两个探测器,旨在增加两个检测器信号之间的差异。直觉上,类似于同时用左手和右手称量两块石头,这样更容易区分它们的重量是否相同。这种差分检测方案提高了光学神经网络对未知物体的预测精度。
 
电气与计算机工程教授、该项研究首席研究员Aydogan Ozcan表示,“该系统利用光与物质的相互作用,以及3D材料结构内的光衍射,光速速执行机器学习任务,只需照明光和简单的探测器电路。这一成绩将使智能摄像头仅利用光子和光与物质的相互作用进行计算,因此极其高速、节能。”
 
研究人员测试了该系统的准确性,测试使用了CIFAR-10图像数据集,包括手写数字、衣物、各种车辆和动物。结果显示,其图像识别准确率分别为98.6%、91.1%和51.4%。研究人员认为,全光系统具有推理速度快、功耗低的优势,而且可以并行识别更多对象。
 自动驾驶 传感器